Kỹ thuật few-shot prompting với ví dụ thực tế

Mục lục bài viết

Rất nhiều người gặp một tình huống khá khó chịu khi dùng AI: cùng một kiểu yêu cầu, nhưng hôm nay AI trả lời dùng được, ngày mai lại ra kết quả loãng hơn, dài hơn hoặc chệch hẳn format mình muốn.

Ví dụ, hôm nay bạn nhờ AI viết một đoạn mở bài khá ổn cho blog. Ngày mai bạn giữ gần như cùng cấu trúc prompt, chỉ thay chủ đề, nhưng đầu ra lại dài dòng, lặp ý và mất hẳn giọng điệu ban đầu. Bạn sửa vài lần thì có thể cứu được. Nhưng nếu ngày nào cũng phải cứu như vậy, AI không còn là công cụ tăng tốc nữa mà thành một vòng lặp mệt mỏi.

Trong rất nhiều trường hợp, vấn đề không nằm ở chỗ bạn “chưa biết prompt nâng cao”, mà nằm ở chỗ AI chưa được xem mẫu đủ rõ để hiểu chính xác bạn muốn kiểu đầu ra nào.

Đó là lúc few-shot prompting trở nên rất hữu ích.

Hiểu đơn giản, few-shot prompting là cách bạn không chỉ giao việc bằng lời, mà còn cho AI xem trước một vài ví dụ tốt để nó bắt được pattern về tone, cấu trúc, độ sâu, tiêu chí chất lượng hoặc dạng chuyển đổi đầu vào → đầu ra mà bạn cần.

Bài viết này của ahiTEC sẽ giúp bạn hiểu few-shot prompting theo cách thực chiến nhất: khi nào nên dùng, khi nào không cần, cách tạo prompt có ví dụ mẫu và 3 tình huống áp dụng rất gần với người làm nội dung, marketer, dân văn phòng và người đang dùng AI để tăng tốc công việc hằng ngày.

Few-shot prompting là gì?

Few-shot prompting là kỹ thuật đưa vào prompt một vài ví dụ đầu vào đầu ra trước khi giao nhiệm vụ mới cho AI.

Thay vì chỉ nói:

"Hãy viết meta description cho bài viết này."

bạn cho AI xem thêm 2 đến 4 ví dụ meta description mà bạn cho là tốt, đúng giọng và đúng chuẩn bạn đang muốn. Nhờ vậy, AI không còn phải đoán quá nhiều. Nó có điểm bám cụ thể để suy ra pattern mong muốn.

Nói ngắn gọn hơn:

• không có ví dụ, AI phải tự suy diễn nhiều hơn;
• có ví dụ đúng chuẩn, AI thường ra kết quả nhất quán hơn.

Few-shot không phải “bí kíp thần kỳ” khiến mọi đầu ra đều hoàn hảo, nhưng nó đặc biệt mạnh khi bạn cần:

• đầu ra có format lặp lại,
• giọng điệu ổn định,
• cách trình bày nhất quán,
• hoặc một kiểu suy luận/phân loại mà chỉ nói bằng mô tả thì vẫn còn mơ hồ.

Few-shot khác zero-shot, one-shot và chain prompt như thế nào?

Đây là chỗ rất nhiều người hay nhầm.

Zero-shot

Bạn chỉ giao nhiệm vụ mà không cho ví dụ nào.

Ví dụ:

"Hãy phân loại các truy vấn sau theo search intent."

Zero-shot phù hợp khi nhiệm vụ đơn giản, phổ biến hoặc bạn chỉ cần bản nháp đầu.

One-shot

Bạn cho AI một ví dụ duy nhất.

Ví dụ:

"Ví dụ: mua laptop gaming → Transactional.
Bây giờ hãy phân loại các truy vấn sau..."

One-shot hữu ích khi pattern khá rõ và bạn chỉ cần một mẫu đủ tốt để AI hiểu hướng xử lý.

Few-shot

Bạn cho AI một vài ví dụ, thường là 2 đến 5 ví dụ chất lượng cao.

Cách này mạnh hơn one-shot khi bạn muốn AI nắm rõ hơn về:

• độ dài phù hợp,
• tiêu chí tốt/xấu,
• những trường hợp dễ nhầm,
• hoặc sắc thái giọng điệu.

Chain prompt

Chain prompt là chuyện khác. Đó là kỹ thuật chia một bài toán lớn thành nhiều bước nối tiếp nhau.

Ví dụ, thay vì yêu cầu AI viết cả bài blog trong một lượt, bạn tách thành:

• phân tích người đọc,
• bóc search intent,
• lên dàn ý,
• viết từng phần,
• phản biện,
• tối ưu trước publish.

Nói gọn:

• few-shot giúp AI hiểu mẫu đầu ra mong muốn,  
• chain prompt giúp AI xử lý một quy trình nhiều bước.

Hai kỹ thuật này có thể dùng riêng hoặc kết hợp với nhau.

Vì sao few-shot prompting thường cho đầu ra ổn định hơn?

Có 5 lý do rất thực tế.

1. Giảm độ mơ hồ của yêu cầu

Nhiều prompt nhìn qua tưởng rõ nhưng thực ra vẫn còn mơ hồ.

Ví dụ, câu “viết ngắn gọn, rõ và tự nhiên” nghe hợp lý nhưng mỗi người hiểu 3 từ đó theo một kiểu khác nhau. Khi bạn đưa ví dụ, AI không chỉ đọc định nghĩa mà còn nhìn thấy “phiên bản cụ thể” của cái bạn gọi là tốt.

2. Giúp AI bắt được format

Nếu bạn cần đầu ra luôn theo mẫu như:

• tiêu đề,
• meta description,
• bảng phân loại,
• checklist hành động,
• email follow-up,
• biên bản họp,
• thì ví dụ mẫu thường hiệu quả hơn rất nhiều so với mô tả suông.

3. Giữ giọng điệu nhất quán hơn

Với website hoặc thương hiệu, sự nhất quán là chuyện rất quan trọng. Một vài ví dụ tốt giúp AI bắt được nhịp viết: ngắn hay dài, trực diện hay mềm mại, thực dụng hay truyền cảm hứng, nhiều ví dụ hay thiên về khung tư duy.

4. Hữu ích cho các tác vụ phân loại

Nhiều bài toán như phân loại comment, xác định search intent, nhóm pain points hay đánh dấu mức độ ưu tiên sẽ dễ hơn nếu AI được xem trước vài ví dụ đúng sai hoặc loại A loại B loại C.

5. Tạo thư viện prompt dùng lại được

Một khi bạn đã có vài ví dụ tốt, prompt đó không còn là câu hỏi tạm thời nữa. Nó trở thành một template làm việc lặp lại. Đây mới là giá trị lớn nhất của few-shot trong công việc hằng ngày.

Khi nào nên dùng few-shot prompting?

Few-shot rất đáng dùng trong 6 tình huống sau.

1. Khi bạn cần đầu ra lặp lại theo cùng một cấu trúc

Ví dụ: mô tả sản phẩm, meta description, đoạn mở bài, email follow-up, checklist cuộc họp.

2. Khi một câu hướng dẫn ngắn vẫn chưa đủ rõ

Nếu bạn đã mô tả khá kỹ nhưng AI vẫn cứ chệch tone hoặc sai format, thêm ví dụ thường hiệu quả hơn là thêm thật nhiều câu giải thích.

3. Khi bạn cần đồng nhất chất lượng giữa nhiều lần dùng

Đây là tình huống rất phổ biến ở team content, team CSKH, team vận hành hoặc khi một cá nhân phải xử lý nhiều đầu việc giống nhau mỗi tuần.

4. Khi bạn muốn AI học “tiêu chuẩn của bạn”

Không phải tiêu chuẩn chung trên Internet, mà là tiêu chuẩn riêng của workflow bạn: cách đặt tiêu đề, cách viết intro, cách rút insight, cách trình bày biên bản.

5. Khi bạn có vài mẫu tốt trong tay

Few-shot mạnh nhất khi bạn thật sự có mẫu tốt để đưa vào. Mẫu đó có thể là bài do bạn tự viết, bài đã được biên tập tốt, hoặc bản output AI trước đây nhưng đã được chỉnh kỹ.

6. Khi bạn muốn giảm thời gian sửa sau khi AI trả lời

Nếu cứ 10 câu trả lời thì 7 câu phải sửa mạnh, few-shot thường là cách đáng thử trước khi bạn nghĩ đến workflow phức tạp hơn.

Khi nào không cần few-shot?

Không phải việc gì cũng nên nhồi ví dụ mẫu vào prompt.

1. Khi câu hỏi quá đơn giản

Ví dụ: “giải thích A/B testing là gì cho người mới” thì zero-shot nhiều khi đã đủ.

2. Khi bạn chưa có mẫu nào thật sự tốt

Nếu mẫu bạn đưa vào bản thân đã lỏng, AI sẽ học đúng cái lỏng đó.

3. Khi nhiệm vụ cần tư duy mới hoàn toàn

Nếu bạn muốn brainstorm rộng hoặc tìm góc nhìn mới lạ, quá nhiều ví dụ đôi khi lại làm AI đi theo lối mòn.

4. Khi prompt đã quá dài nhưng ví dụ lại không liên quan trực tiếp

Few-shot tốt là few-shot đúng trọng tâm. Thêm nhiều ví dụ lan man chỉ làm prompt nặng hơn mà không tăng chất lượng.

Workflow 6 bước để xây một prompt few-shot dùng được lâu

Đây là quy trình phù hợp với cách làm thực tế ở ahiTEC: gọn, đủ rõ, tối ưu dần theo vòng lặp.

Bước 1: Chốt đúng đầu ra bạn cần

Đừng bắt đầu bằng “cho AI xem ví dụ gì cũng được”. Hãy chốt thật rõ đầu ra là gì.

Ví dụ:

• tiêu đề SEO cho blog,
• meta description,
• đoạn mở bài,
• bảng phân loại intent,
• email phản hồi,
• biên bản họp,
• checklist hành động.

Bạn càng xác định đúng đầu ra, ví dụ bạn chọn càng chuẩn.

Bước 2: Chọn 2 đến 5 ví dụ thật sự tốt

Không cần quá nhiều. Với đa số tác vụ thực tế, 2 đến 5 ví dụ chất lượng cao đã đủ.

Tiêu chí chọn ví dụ:

• cùng loại đầu ra,
• đúng giọng điệu mong muốn,
• có chất lượng tốt,
• không mâu thuẫn format với nhau,
• gần với bối cảnh bạn sắp dùng.

Ví dụ, nếu bạn muốn AI viết intro cho blog ahiTEC, đừng lấy mẫu từ một landing page bán hàng quá “hô hào”.

Bước 3: Chuẩn hóa ví dụ trước khi đưa vào prompt

Rất nhiều người lấy luôn ví dụ thô, dài và không sạch. Điều đó làm AI khó bắt pattern hơn.

Hãy dọn ví dụ theo cách:

• bỏ phần thừa không liên quan,
• giữ đúng input và output,
• nếu cần thì ghi chú rõ vì sao ví dụ đó tốt.

Bước 4: Viết prompt khung

Prompt khung nên có 5 phần:

1. vai trò,  
2. bối cảnh,  
3. nhiệm vụ,  
4. ví dụ mẫu,  
5. đầu vào mới và yêu cầu đầu ra.

Bước 5: Test bằng một đầu vào mới

Đừng đánh giá few-shot bằng chính ví dụ bạn đã đưa vào. Hãy đưa một đầu vào mới nhưng cùng loại nhiệm vụ để xem AI có thật sự nắm được pattern hay không.

Bước 6: Lưu lại phiên bản tốt nhất thành thư viện prompt

Một khi prompt few-shot đã chạy ổn, hãy lưu nó lại theo tên rõ ràng.

Ví dụ:

• fewshot_meta_blog_ahitec_v1
• fewshot_intent_clustering_v2
• fewshot_meeting_minutes_v1

Đây là cách biến prompt thành tài sản làm việc thay vì câu hỏi dùng một lần rồi bỏ.

Khung prompt few-shot gốc có thể dùng lại

Bạn là [vai trò].

Bối cảnh:
- Tôi đang làm [loại công việc / loại nội dung].
- Mục tiêu đầu ra là [mục tiêu].
- Đối tượng đọc hoặc nhận kết quả là [đối tượng].

Nhiệm vụ:
Hãy quan sát các ví dụ dưới đây để hiểu pattern về giọng điệu, độ dài, cấu trúc và chất lượng đầu ra.
Sau đó xử lý đầu vào mới theo cùng tiêu chuẩn.

Ví dụ 1:
Input: [đầu vào]
Output: [đầu ra mẫu]

Ví dụ 2:
Input: [đầu vào]
Output: [đầu ra mẫu]

Ví dụ 3:
Input: [đầu vào]
Output: [đầu ra mẫu]

Đầu vào mới:
[new input]

Yêu cầu đầu ra:
- [format]
- [độ dài]
- [giọng điệu]
- [tiêu chí chất lượng]
- nếu không đủ dữ liệu, nêu rõ phần còn thiếu thay vì tự bịa.

Khung này không phức tạp, nhưng đủ để dùng lại cho rất nhiều loại công việc.

3 ví dụ few-shot prompting rất gần với công việc thật

Ví dụ 1: Few-shot để viết title và meta description cho blog

Đây là tác vụ rất hợp với few-shot vì bạn thường muốn giữ một kiểu giọng tương đối nhất quán, tránh tiêu đề quá sáo rỗng hoặc meta description quá chung.

Prompt mẫu

Bạn là biên tập viên SEO cho blog ahiTEC.
Mục tiêu là viết title và meta description tự nhiên, rõ, đúng nhu cầu tìm kiếm và không hứa hẹn quá mức.

Ví dụ 1:
Input: Bài viết hướng dẫn người mới dùng AI để tóm tắt email và tài liệu.
Output:
Title: Hướng dẫn dùng AI để tóm tắt tài liệu, email và meeting hiệu quả
Meta description: Hướng dẫn dùng AI để tóm tắt tài liệu, email và meeting hiệu quả với workflow rõ ràng, prompt dùng ngay và cách giảm thời gian đọc tài liệu dài.

Ví dụ 2:
Input: Bài viết giải thích chain prompt cho người làm nội dung.
Output:
Title: Cách dùng chain prompt để ra bài viết dài và logic hơn
Meta description: Tìm hiểu cách dùng chain prompt để AI viết bài dài logic hơn, từ bước lên dàn ý, viết từng phần đến phản biện và tối ưu trước khi publish.

Ví dụ 3:
Input: Bài viết hướng dẫn lưu prompt thành thư viện cá nhân.
Output:
Title: Cách lưu prompt AI để dùng lại: xây thư viện prompt cá nhân trong 30 phút
Meta description: Hướng dẫn lưu prompt AI để dùng lại với cấu trúc rõ ràng, cách đặt tên, phân nhóm và xây thư viện prompt cá nhân trong 30 phút.

Đầu vào mới:
Bài viết giải thích few-shot prompting cho người làm nội dung, marketer và dân văn phòng. Bài có ví dụ thực tế và workflow dùng lại.

Yêu cầu:
- Viết 3 phương án title.
- Viết 3 phương án meta description.
- Giọng điệu thực dụng, rõ, không giật tít.
- Không nhồi từ khóa.

Vì sao ví dụ này hiệu quả?

Vì AI không chỉ biết bạn muốn “chuẩn SEO”, mà còn thấy rõ kiểu title bạn đánh giá là tốt: trực diện, mô tả đúng nội dung và không khoa trương.

Ví dụ 2: Few-shot để phân loại search intent

Đây là tác vụ rất hữu ích cho người làm nội dung và SEO.

Prompt mẫu

Bạn là trợ lý SEO.
Hãy học pattern phân loại search intent từ các ví dụ sau, rồi áp dụng cho danh sách truy vấn mới.

Ví dụ 1:
Input: AI là gì
Output: Informational

Ví dụ 2:
Input: ChatGPT Gemini Claude khác nhau thế nào
Output: Commercial Investigation / Comparison

Ví dụ 3:
Input: dùng AI để viết email phản hồi khách hàng
Output: Informational / Practical

Ví dụ 4:
Input: mua công cụ AI cho team content
Output: Transactional / Commercial Investigation

Danh sách truy vấn mới:
- few-shot prompting là gì
- prompt kiểm lỗi bài viết trước khi đăng
- checklist publish bài blog chuẩn SEO
- nên dùng ChatGPT hay Perplexity để tra cứu nhanh

Yêu cầu đầu ra:
- Trả theo bảng gồm 3 cột: truy vấn, search intent chính, loại nội dung phù hợp.
- Nếu truy vấn có nhiều intent, ghi rõ intent ưu tiên.

Vì sao few-shot hợp ở đây?

Vì phân loại intent là tác vụ dễ “na ná đúng” nhưng không phải lúc nào cũng nhất quán. Khi có vài ví dụ chuẩn, AI thường phân loại ổn định hơn nhiều.

Ví dụ 3: Few-shot để chuyển ghi chú họp thành biên bản hành động

Đây là ví dụ rất gần với dân văn phòng và team nhỏ.

Prompt mẫu

Bạn là trợ lý hành chính.
Hãy quan sát các ví dụ dưới đây và chuyển ghi chú họp thô thành biên bản rõ ràng, ưu tiên việc cần làm.

Ví dụ 1:
Input: tuần sau chốt outline bài, Hương làm ảnh, Nam kiểm tra source, deadline thứ 5
Output:
Tóm tắt: Team thống nhất hoàn thiện outline bài trong tuần này.
Việc cần làm:
- Hương: làm ảnh minh họa
- Nam: kiểm tra nguồn tham chiếu
- Deadline chung: thứ 5

Ví dụ 2:
Input: khách muốn demo trước, chưa chốt báo giá, cần gửi mail xác nhận chiều nay
Output:
Tóm tắt: Khách hàng ưu tiên xem demo trước khi chốt báo giá.
Việc cần làm:
- Chuẩn bị lịch demo
- Gửi email xác nhận trong chiều nay
Lưu ý: chưa chốt báo giá ở bước hiện tại

Đầu vào mới:
[dán ghi chú họp]

Yêu cầu:
- Trả theo 4 phần: tóm tắt, quyết định đã chốt, việc cần làm, điểm còn mở.
- Mỗi ý ngắn gọn, dễ scan.
- Không tự thêm thông tin nếu ghi chú không có.

Giá trị của few-shot ở ví dụ này

AI sẽ thấy rõ bạn muốn từ ghi chú thô đi ra một biên bản hành động chứ không phải một đoạn văn kể lại cuộc họp.

6 nguyên tắc để ví dụ mẫu thật sự phát huy tác dụng

1. Mẫu phải tốt hơn đầu ra bạn đang nhận được

Nếu ví dụ trung bình, AI sẽ học cái trung bình đó.

2. Các ví dụ phải nhất quán với nhau

Nếu ví dụ 1 viết rất ngắn, ví dụ 2 lại quá dài, ví dụ 3 đổi hẳn format, AI sẽ khó đoán đâu là pattern quan trọng.

3. Ví dụ nên gần với đúng nhiệm vụ sắp làm

Mẫu email không phải lúc nào cũng giúp tốt cho mẫu intro blog. Càng gần nhiệm vụ, hiệu quả càng cao.

4. Đừng đưa quá nhiều ví dụ thừa

Ba ví dụ tốt thường mạnh hơn mười ví dụ lộn xộn.

5. Hãy nói rõ AI cần học cái gì từ ví dụ

Ví dụ, bạn có thể nói rõ:

• học cấu trúc,
• học độ dài,
• học giọng điệu,
• học cách phân loại,
• học cách chuyển đổi đầu vào → đầu ra.

6. Test với dữ liệu mới, không test với dữ liệu cũ

Nếu AI làm tốt trên ví dụ đã có sẵn thì chưa nói lên nhiều điều. Giá trị thật nằm ở việc nó xử lý tốt đầu vào mới hay không.

7 lỗi phổ biến khi dùng few-shot prompting

1. Chọn ví dụ đẹp mắt nhưng không cùng loại nhiệm vụ: Nhìn thì hay nhưng không đúng pattern công việc.
2. Đưa ví dụ quá dài, quá nhiều chi tiết thừa: AI bị nhiễu thay vì được định hướng.
3. Ví dụ mâu thuẫn về chất lượng hoặc format: Đây là lý do làm đầu ra rất dễ thất thường.
4. Không nói rõ AI cần bắt chước điều gì: AI có thể học nhầm chi tiết phụ thay vì học cấu trúc chính.
5. Dùng ví dụ cũ không còn hợp với workflow hiện tại: Ví dụ cũ sẽ kéo output về chuẩn cũ.
6. Tin rằng few-shot thay thế hoàn toàn kiểm tra cuối cùng: Nó giúp đầu ra tốt hơn, nhưng không miễn cho bạn bước đọc lại.
7. Không lưu lại prompt đã chạy tốt: Nhiều người có được prompt rất ổn nhưng không biến nó thành template, nên tuần sau lại làm lại từ đầu.

Công thức ngắn gọn để nhớ

Nếu bạn cần ghi nhớ thật nhanh, hãy dùng công thức này:

Nhiệm vụ rõ → Chọn 2-5 ví dụ tốt → Chuẩn hóa mẫu → Giao đầu vào mới → So kết quả → Lưu template.

Few-shot không phải trò chơi “prompt cho thật dài”. Nó là cách đưa tiêu chuẩn đầu ra vào prompt theo cách AI dễ học nhất.

Kết luận

Few-shot prompting rất đáng dùng khi bạn muốn AI bớt đoán và bắt đúng pattern làm việc của mình nhanh hơn.

Điểm mạnh lớn nhất của kỹ thuật này không phải là “nghe nâng cao”, mà là nó giúp đầu ra:

• nhất quán hơn,
• sát giọng hơn,
• đúng format hơn,
• và ít phải sửa hơn.

Nếu bạn đang có một tác vụ lặp đi lặp lại như viết title, meta description, phân loại intent, chuẩn hóa ghi chú hay biên tập intro, thì few-shot là một trong những kỹ thuật đáng thử sớm nhất.